Qwen-Planner-Agent: A Closed-Loop AI-for-AI Framework for Real-World Mobile Planner Agents
Aggiunta all'archivio di AIChronos il (numero del 25 settembre 2026 ricostruito)· fonte del · Tingyu Qu, Weigao Sun, Yuecheng Liu, Yucheng Zhao, Yi Zhu, Yifeng Ding (Tongyi-MAI)
Il framework Qwen-Planner-Agent introduce un approccio closed-loop AI-for-AI per lo sviluppo scalabile di agenti mobili autonomi che operano in loop esecutivi. Il sistema integra un ciclo dati guidato dall'uomo, tecniche ibride di reinforcement learning con Competence-Aware Reward-and-Advantage Engineering (CARE) e una co-evoluzione guidata da evidenze esecutive per adattare memoria e strumenti a runtime. Questo approccio supera le limitazioni dei dispositivi reali costosi ottimizzando l'uso delle risorse durante compiti complessi a lungo termine.
- Implementazione di un flywheel dati agentic con gatekeeping umano per curare, bilanciare e generare iterativamente i dataset di addestramento.
- Utilizzo del metodo CARE (Competence-Aware Reward-and-Advantage Engineering) per ridurre costi computazionali nel ragionamento e nell'uso degli strumenti senza degradare le prestazioni.
- Ottimizzazione delle performance su MobilePA-Bench con miglioramenti significativi in tool use, memoria, skills e coordinamento tra sub-agenti rispetto al modello base.
- Capacità di preservare le capacità generali del modello mentre si specializza per benchmark non mobili grazie a un adattamento coordinato del modello e dell'harness.
Perché conta. Questa architettura è cruciale per gli sviluppatori che lavorano con agenti locali o su dispositivi mobile, poiché offre una via scalabile per migliorare l'affidabilità degli AI in compiti reali senza dipendere esclusivamente da interazioni hardware costose.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.